Attributing uncertainties in simulated biospheric carbon fluxes to different error sources
Notice bibliographique
Résumé
[1] Estimating the current sources and sinks of carbon and projecting future levels of CO2 and climate require biospheric carbon models that cover the landscape. Such models inevitably suffer from deficiencies and uncertainties. This paper addresses how to quantify errors in modeled carbon fluxes and then trace them to specific input variables. To date, few studies have examined uncertainties in biospheric models in a quantitative fashion that are relevant to landscape-scale simulations. In this paper, we introduce a general framework to quantify errors in biospheric carbon models that "unmix" the contributions to the total uncertainty in simulated carbon fluxes and attribute the error to different variables. To illustrate this framework we apply and use a simple biospheric model, the Vegetation Photosynthesis and Respiration Model (VPRM), in boreal forests of central Canada, using eddy covariance flux measurement data from two main sites of the Canadian Carbon Program (CCP). We explicitly distinguish between systematic errors ("biases") and random errors and focus on the impact of errors present in biospheric parameters as well as driver data sets (satellite indices, temperature, solar radiation, and land cover). Biases in downward shortwave radiation accumulated to the most significant amount out of the driver data sets and accounted for a significant percentage of the annually summed carbon uptake. However, the largest cumulative errors were shown to stem from biospheric parameters controlling the light-use efficiency and respiration-temperature relationships. This work represents a step toward a carbon model-data fusion system because in such systems the outcome is determined as much by uncertainties as by the measurements themselves.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».